继续请教问题:关于 Pytorch 的 Autograd

雷达

为预防老年痴呆，时不时学点新东东玩一玩。
Pytorch 下面的代码做最简单的一元线性回归：
----------------------------------------------
9 P$ ?' l$ m5 h- s; oimport torch
- |. m; Z9 `: i' x9 Kimport numpy as np
6 q# t! K# b3 @import matplotlib.pyplot as plt
* r5 I* b: W% {2 t- jimport random

x = torch.tensor(np.arange(1,100,1))
, p0 q9 B/ S' b0 I9 [7 by = (x*27+15+random.randint(-2,3)).reshape(-1)  # y=wx+b, 真实的w0 =27, b0=15
( k; h, q0 \9 p
- k0 |  q" y( F5 @( w# T, tw = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
b = torch.tensor(0.,requires_grad=True)

epochs = 100
& A& F9 ]4 d! J
% h( E5 g. w6 u9 O0 I( flosses = []
# c. ]/ w2 P, M" E* }$ {for i in range(epochs):
1 O- ^( K$ L. L* I. i  y_pred = (x*w+b)    # 预测
4 e- n1 ?- d* p6 k1 U9 p  y_pred.reshape(-1)
: a- N, X4 R9 s: w$ V1 U
  loss = torch.square(y_pred - y).mean()   #计算 loss
  losses.append(loss)
  
  loss.backward() # autograd
3 b/ R& O. {. }  with torch.no_grad():
& b( ?. |5 U3 {- B! G" N+ ^    w  -= w.grad*0.0001   # 回归 w
    b  -= b.grad*0.0001    # 回归 b
9 e" w5 \' N1 m6 e: Q* H2 q  w.grad.zero_()  
: i3 z) P4 j: t8 m* U) L  b.grad.zero_()

print(w.item(),b.item()) #结果

Output： 27.26387596130371  0.4974517822265625
$ i2 N3 F8 ~! w# D; x  }----------------------------------------------
最后的结果，w可以回到 w0 = 27 附近，b却回不去 b0=15。两处红字，损失函数是矢量计算后的均值，感觉 b 的回归表达有问题。
' C4 N9 e$ a2 A1 j4 h3 b, w4 t高手们帮看看是神马原因？
: ~- K9 n- U) M5 c! n

老福

# ]# b: ]! d4 J% [
没有用过pytorch，但你把随机噪音部分改成均值为0的正态分布再试试看是不是符合预期？
( W. u8 F( X1 S8 m8 t5 `+ ]-------
不好意思，再看一遍，好像你在自算回归而不是用现成的工具直接出结果，上面的评论只有一点用，就是确认是不是算法有问题。
7 Y8 Q& B& S6 N$ f-------
算法诊断部分，建议把循环次数改为1000, 再看看loss是不是收敛。有点怀疑你循环次数不够，因为你起点是0, 步长很小。只是直观建议。

雷达

老福 发表于 2023-2-14 19:23
# E4 Q9 S7 C8 v$ K3 h( E没有用过pytorch，但你把随机噪音部分改成均值为0的正态分布再试试看是不是符合预期？
-------
# N/ ]) N9 u" x" ^不好意思， ...

谢谢，算法应该没问题，就是最简单的线性回归。
( m$ Z- J" ]" q8 q9 Y0 i我特意没有用现成的工具，就是想从最基本的地方深入理解一下。

老福

雷达 发表于 2023-2-14 21:52
+ d$ i0 q" w' W5 B  K4 T. L谢谢，算法应该没问题，就是最简单的线性回归。
我特意没有用现成的工具，就是想从最基本的地方深入理解 ...

刚才更新了一下，建议增加循环次数或调一下步长，查一下loss曲线。
: K; T% e# n# V8 ^! l0 M
  O0 ]& M8 Z) X或者把b但的起点改为1试试。

雷达

老福 发表于 2023-2-14 22:00
刚才更新了一下，建议增加循环次数或调一下步长，查一下loss曲线。

8 B/ j3 m# b7 F- D或者把b但的起点改为1试试。 ...

你是对的。
/ `, e3 l. g( k3 B7 X, G2 z% ~去掉了随机部分
# Y6 I- y' T( j7 `* Z' ^3 q#y = (x*27+15+random.randint(-2,3)).reshape(-1)
y = (x*27+15).reshape(-1)
' S  \! p4 i6 N; W( Z! O$ h
# r2 _2 E4 w5 p循环次数加成10倍，就看到 b 收敛了
9 M$ H( L0 e7 }3 y5 \& @/ }9 T+ ]4 Sw , b
27.002620697021484 14.826167106628418

3 y" d3 B9 C9 g0 m4 z9 V和 b 的起始位置无关，但 labeled data 用 y = (x*27+15+random.randint(-2,3)).reshape(-1) ，收敛就很慢。